CN113837024A - 一种基于多模态的跨境追踪方法 - Google Patents

一种基于多模态的跨境追踪方法 Download PDF

Info

Publication number
CN113837024A
CN113837024A CN202111025677.7A CN202111025677A CN113837024A CN 113837024 A CN113837024 A CN 113837024A CN 202111025677 A CN202111025677 A CN 202111025677A CN 113837024 A CN113837024 A CN 113837024A
Authority
CN
China
Prior art keywords
similarity
image
infrared
target
rgb
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111025677.7A
Other languages
English (en)
Inventor
毛志强
吴思霈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xinorange Smart Technology Development Co ltd
Original Assignee
Beijing Xinorange Smart Technology Development Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Xinorange Smart Technology Development Co ltd filed Critical Beijing Xinorange Smart Technology Development Co ltd
Priority to CN202111025677.7A priority Critical patent/CN113837024A/zh
Publication of CN113837024A publication Critical patent/CN113837024A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多模态的跨境追踪方法，通过保留两种模态间的差异，再利用获取到的同一目标的两种模态query待查询目标源图片，分别在galley行人库中进行检索，再对两种模态的检索结果进行相似度加权推理度量方法得到最终的识别结果，有效解决了可见光和红外图像跨模态行人重识别效果差、准确率低、计算效率低的问题。

Description

一种基于多模态的跨境追踪方法
技术领域
本发明涉及计算机视觉领域，特别是涉及一种基于多模态的跨境追踪方法。
背景技术
传统的RGB-RGB单模态行人重识别技术只能解决光线充足下的识别任务，而在夜间或者是光线较暗处，可见光摄像机几乎无用武之地，而犯罪分子通常在夜间活动。如今的监控摄像机大多都将红外和可见光功能配置在了一起，在光线充足时会采集清晰的RGB图像，而在光线不足时会开启红外功能，进行红外图像的采集，这为跨模态行人重识别的研究提供了有利的条件。
行人重识别是计算机视觉领域中的一项热门的研究课题，它主要解决跨摄像头、跨场景下的行人识别与检索，作为人脸识别技术的补充，对无法获取清晰人脸的行人进行跨摄像头的连续追踪，被广泛应用于安防领域和智能监控等领域。它具有类内差异大(同一人的表观特征可能会非常不同)，类间差异小(不同人的表观可能会很相似)等难点。这主要是由于摄像头拍摄角度，光照差异，行人姿态变化以及遮挡等因素造成的。夜间场景同样是监控、安防等领域的重点领域。
现有的基于可见光与红外图像的跨模态行人重识别方法大多数都致力于解决两种模态之间的差异，解决思路包括：1)使用参数共享的卷积神经网络，学习两种模态之间的共享特征；2)使用生成对抗网络，通过训练生成器和判别器去学习模态之间的关联。但是现有技术大多基于网络结构的创新，往往没有更多的考虑实际应用场景下的跨模态行人重识别的具体问题和挑战，增加了网络结构的复杂度和训练时间成本，在实际应用场景下很难取得较好的识别准确率和效果。
现需一种基于多模态的跨境追踪方法解决上述问题。
发明内容
本发明是为了解决现有技术中当前跨模态行人重识别技术目的在于消除两种模态间的差异，但是会导致网络结构复杂、计算效率低、识别效果差的问题，提供了一种基于多模态的跨境追踪方法，通过允许保留可见光和红外图像两种模态差异的条件下，解决实际应用场景中，跨模态行人重识别时准确率低、效果不好、计算效率低的问题。
本发明提供了一种基于多模态的跨境追踪方法，包括以下步骤：
S1、获取同意目标的可见光图像和红外图像；
S2、利用yolov5目标检测算法对不同摄像头下视频里的行人进行检测，并摘取出来生成图像集行人库；
S3、构建行人重识别模型；
S4、设定相似度阈值a；
S5、将待查询目标的可见光图像、待查询目标的红外图像与图像集行人库中特征向量进行特征提取；
S6、将待查询目标的可见光图像、待查询目标的红外图像与图像集行人库中特征向量进行相似性度量；
S7、根据可见光模态返回结果的相似度和可见光模态预设权重得到可见光模态综合相似度；根据红外模态相似度和红外预设权重得到红外模态综合相似度；
S8、将两种模态的结果取交并比IOU，并按综合相似度的降序排序；
S9、根据摄像头ID和图片名字去除相同的图片得到最终结果。
本发明所述的一种基于多模态的跨境追踪方法，作为优选方式，步骤S6中待查询目标的可见光图像与图像集行人库中特征向量进行相似性度量具体为：
对于待查询目标的可见光图像，使用图像集行人库作为搜索空间，将待检测目标的可见光图像的特征向量与图像集行人库中特征向量进行相似性度量，具体如下：
ds(qRGB,gj)＝d(k)(qRGB,gj)
其中，ds(qRGB,gj)表示目标可见光模态图像与所述图像集行人库中的K个相似性距离度量；qRGB表示目标query的RGB模态图像；gj表示行人gallery特征库；
返回大于设定阈值a的结果，具体如下：
Figure BDA0003243273590000031
其中，ψRGB(qRGB,kq,ds,thRGB)表示大于设定阈值的前top_kq个结果；qRGB表示目标RGB模态下的query待查询图片；kq表示结果中的前top_kq个结果；ds表示距离相似度；thRGB表示RGB模态下设定的阈值。
本发明所述的一种基于多模态的跨境追踪方法，作为优选方式，步骤S6中待查询目标的红外图像与图像集行人库中特征向量进行相似性度量具体为：
对于待查询目标的红外图像，使用图像集行人库作为搜索空间，将待检测目标的红外图像的特征向量与图像集行人库中特征向量进行相似性度量，具体如下：
ds(qIR,gj)＝d(k)(qIR,gj)，
其中，ds(qIR,gj)表示目标红外IR模态图像与gallery行人库中的第K个行人的距离相似度；qIR表示目标query的IR红外模态图像；gj表示行人gallery特征库；
返回大于设定阈值a的结果，具体如下：
Figure BDA0003243273590000032
其中，ψIR(qIR,kq,ds,thIR)表示大于设定阈值的前top_kq个结果；qIR表示目标IR红外模态下的query待查询图片；kq表示结果中的前top_kq个结果；ds表示距离相似度；thIR表示IR红外模态下设定的阈值。
本发明所述的一种基于多模态的跨境追踪方法，作为优选方式，步骤S7中可见光模态返回结果的相似度和可见光模态预设权重得到可见光模态综合相似度具体为：
Figure BDA0003243273590000041
其中，α表示RGB模态下的预设权重；ΨIR(qIR,kq,ds,thIR)表示IR红外模态下的加权后的综合相似度。
本发明所述的一种基于多模态的跨境追踪方法，作为优选方式，步骤S7中红外模态相似度和红外预设权重得到红外模态综合相似度具体为：
Figure BDA0003243273590000042
其中，β表示IR红外模态下的预设权重；ΨRGB(qRGB,kq,ds,thRGB)表示RGB模态下的加权后综合相似度。
本发明所述的一种基于多模态的跨境追踪方法，作为优选方式，行人重识别模型用于对可见光和红外图像两种模态进行特征提取能力和特征判别。
本发明所述的一种基于多模态的跨境追踪方法，作为优选方式，步骤S8两种模态的结果取交并比IOU，并按综合相似度的降序排序具体公式如下：
Figure BDA0003243273590000043
其中，Ds表示两种模态的结果取交并比后再按综合相似度降序排序后返回的一组结果的距离相似度。
本发明有益效果如下：
(1)本技术方案获取待查询query目标图片的可见光图像和红外图像两种模态作为输入数据源，并且可以利用模态互转的方式获取对应模态数据，增加了输入数据源的多样性和判别性；
(2)允许保留gallery行人库中的不同模态图片的差异；
(3)设计针对可见光模态和红外模态均具有很强特征提取能力和判别能力的ReID模型，并对多模态数据进行特征向量提取；
(4)将待查询query目标的两种模态分别在gallery行人库中进行检索，会将与自身模态相似度接近的结果返回回来，降低了同一嫌疑人目标的漏检率；
(5)将两种模态的返回结果按照预设权重和综合相似度排序的方式，返回最终的结果，提升了跨模态行人重识别的识别准确率；
(6)本技术方案在不增加网络结构复杂性和额外计算效率的情况下，提升行人重识别的准确率；
(7)本技术方案避免将不同模态强行映射到同一特征空间而引起的网络结构复杂性和模态间差异，通过将待检索图片的不同模态分别进行检索，增加了特征的多样性和判别性，从而提高跨模态行人重识别的性能；
(8)本技术方案利用预设权重和综合相似度排序的方式优化网络结果的输出，能够有效提高Top-n的准确率和召回率。
附图说明
图1为一种基于多模态的跨境追踪方法示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
如图1所示，一种基于多模态的跨境追踪方法，包括以下步骤：
S1、获取同一目标ID下query的可见光图像和红外图像的两种模态数据，例如可以通过跨境追踪***中的视频摘要模块通过浏览摘要结果获取嫌疑人目标的两种模态图像；如果仅能获取一种模态下的图像，可以采用模态转换的方式，获取目标对应的另一模态下的图像；
S2、利用yolov5目标检测算法对不同摄像头下视频里的行人进行检测，并摘取出来生成图像集行人库；
S3、搭建行人重识别(ReID)模型，已训练完成具有强大特征提取能力和判别能力的模型，对待查询query两种模态数据和gallery行人库进行特征提取，query为
Figure BDA0003243273590000061
的特征向量，gallery为n*2048特征向量；
S4、设定相似度阈值a；
S5、将待查询目标的可见光图像、待查询目标的红外图像与图像集行人库中特征向量进行特征提取；
S6、将待查询目标的可见光图像、待查询目标的红外图像与图像集行人库中特征向量进行相似性度量；
S7、根据可见光模态返回结果的相似度和可见光模态预设权重得到可见光模态综合相似度；根据红外模态相似度和红外预设权重得到红外模态综合相似度；
S8、将两种模态的结果取交并比IOU，并按综合相似度的降序排序；
S9、因为可见光RGB模态和红外IR模态可能会同时检索到同一张图片并返回，根据摄像头ID和图片名字去除相同的图片得到最终结果。
步骤S6中待查询目标的可见光图像与图像集行人库中特征向量进行相似性度量具体为：
对于待查询目标的可见光图像，使用图像集行人库作为搜索空间，将待检测目标的可见光图像的特征向量与图像集行人库中特征向量进行相似性度量，具体如下：
ds(qRGB,gj)＝d(k)(qRGB,gj)
其中，ds(qRGB,gj)表示目标可见光模态图像与所述图像集行人库中的K个相似性距离度量；qRGB表示目标query的RGB模态图像；gj表示行人gallery特征库；
返回大于设定阈值a的结果，具体如下：
Figure BDA0003243273590000062
其中，ψRGB(qRGB,kq,ds,thRGB)表示大于设定阈值的前top_kq个结果；qRGB表示目标RGB模态下的query待查询图片；kq表示结果中的前top_kq个结果；ds表示距离相似度；thRGB表示RGB模态下设定的阈值
步骤S6中待查询目标的红外图像与图像集行人库中特征向量进行相似性度量具体为：
对于待查询目标的红外图像，使用图像集行人库作为搜索空间，将待检测目标的红外图像的特征向量与图像集行人库中特征向量进行相似性度量，具体如下：
ds(qIR,gj)＝d(k)(qIR,gj)
其中，ds(qIR,gj)表示目标红外IR模态图像与gallery行人库中的第K个行人的距离相似度；qIR表示目标query的IR红外模态图像；gj表示行人gallery特征库；
返回大于设定阈值a的结果，具体如下：
Figure BDA0003243273590000071
其中，ψIR(qIR,kq,ds,thIR)表示大于设定阈值的前top_kq个结果；qIR表示目标IR红外模态下的query待查询图片；kq表示结果中的前top_kq个结果；ds表示距离相似度；thIR表示IR红外模态下设定的阈值。
步骤S7中可见光模态返回结果的相似度和可见光模态预设权重得到可见光模态综合相似度具体为：
Figure BDA0003243273590000072
其中，α表示RGB模态下的预设权重；所述ΨIR(qIR,kq,ds,thIR)表示IR红外模态下的加权后的综合相似度。
步骤S7中红外模态相似度和红外预设权重得到红外模态综合相似度具体为：
Figure BDA0003243273590000081
其中，β表示IR红外模态下的预设权重；ΨRGB(qRGB,kq,ds,thRGB)表示RGB模态下的加权后综合相似度。
行人重识别模型用于对可见光和红外图像两种模态进行特征提取能力和特征判别。
步骤S8两种模态的结果取交并比IOU，并按综合相似度的降序排序具体公式如下：
Figure BDA0003243273590000082
其中，Ds表示两种模态的结果取交并比后再按综合相似度降序排序后返回的一组结果的距离相似度。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于多模态的跨境追踪方法，其特征在于：包括以下步骤：
S1、获取同意目标的可见光图像和红外图像；
S2、利用yolov5目标检测算法对不同摄像头下视频里的行人进行检测，并摘取出来生成图像集行人库；
S3、构建行人重识别模型；
S4、设定相似度阈值a；
S5、将所述待查询目标的可见光图像、所述待查询目标的红外图像与图像集行人库中特征向量进行特征提取；
S6、将所述待查询目标的可见光图像、所述待查询目标的红外图像与图像集行人库中特征向量进行相似性度量；
S7、根据可见光模态返回结果的相似度和可见光模态预设权重得到可见光模态综合相似度；根据红外模态相似度和红外预设权重得到红外模态综合相似度；
S8、将两种模态的结果取交并比IOU，并按综合相似度的降序排序；
S9、根据摄像头ID和图片名字去除相同的图片得到最终结果。
2.根据权利要求1所述的一种基于多模态的跨境追踪方法，其特征在于：所述步骤S6中所述待查询目标的可见光图像与图像集行人库中特征向量进行相似性度量具体为：
对于所述待查询目标的可见光图像，使用图像集行人库作为搜索空间，将所述待检测目标的可见光图像的特征向量与所述图像集行人库中特征向量进行相似性度量，具体如下：
ds(qRGB,gj)＝d(k)(qRGB,gj)
其中，所述ds(qRGB,gj)表示目标可见光模态图像与所述图像集行人库中的K个相似性距离度量；所述qRGB表示目标query的RGB模态图像；所述gj表示行人gallery特征库；
返回大于设定阈值a的结果，具体如下：
Figure FDA0003243273580000021
其中，所述ψRGB(qRGB,kq,ds,thRGB)表示大于设定阈值的前top_kq个结果；所述qRGB表示目标RGB模态下的query待查询图片；所述kq表示结果中的前top_kq个结果；所述ds表示距离相似度；所述thRGB表示RGB模态下设定的阈值。
3.根据权利要求1所述的一种基于多模态的跨境追踪方法，其特征在于：所述步骤S6中所述待查询目标的红外图像与图像集行人库中特征向量进行相似性度量具体为：
对于所述待查询目标的红外图像，使用所述图像集行人库作为搜索空间，将所述待检测目标的红外图像的特征向量与所述图像集行人库中特征向量进行相似性度量，具体如下：
ds(qIR,gj)＝d(k)(qIR,gj)
其中，所述ds(qIR,gj)表示目标红外IR模态图像与gallery行人库中的第K个行人的距离相似度；所述qIR表示目标query的IR红外模态图像；所述gj表示行人gallery特征库；
返回大于设定阈值a的结果，具体如下：
Figure FDA0003243273580000022
其中，所述ψIR(qIR,kq,ds,thIR)表示大于设定阈值的前top_kq个结果；所述qIR表示目标IR红外模态下的query待查询图片；所述kq表示结果中的前top_kq个结果；所述ds表示距离相似度；所述thIR表示IR红外模态下设定的阈值。
4.根据权利要求1所述的一种基于多模态的跨境追踪方法，其特征在于：
所述步骤S7中可见光模态返回结果的相似度和可见光模态预设权重得到可见光模态综合相似度具体为：
Figure FDA0003243273580000031
其中，所述α表示RGB模态下的预设权重；所述ΨIR(qIR,kq,ds,thIR)表示IR红外模态下的加权后的综合相似度。
5.根据权利要求1所述的一种基于多模态的跨境追踪方法，其特征在于：
所述步骤S7中红外模态相似度和红外预设权重得到红外模态综合相似度具体为：
Figure FDA0003243273580000032
其中，所述β表示IR红外模态下的预设权重；所述ΨRGB(qRGB,kq,ds,thRGB)表示RGB模态下的加权后综合相似度。
6.根据权利要求1所述的一种基于多模态的跨境追踪方法，其特征在于：
所述行人重识别模型用于对可见光和红外图像两种模态进行特征提取能力和特征判别。
7.根据权利要求1所述的一种基于多模态的跨境追踪方法，其特征在于：所述步骤S8两种模态的结果取交并比IOU，并按综合相似度的降序排序具体公式如下：
Figure FDA0003243273580000041
其中所述Ds表示两种模态的结果取交并比后再按综合相似度降序排序后返回的一组结果的距离相似度。
CN202111025677.7A 2021-09-02 2021-09-02 一种基于多模态的跨境追踪方法 Pending CN113837024A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111025677.7A CN113837024A (zh) 2021-09-02 2021-09-02 一种基于多模态的跨境追踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111025677.7A CN113837024A (zh) 2021-09-02 2021-09-02 一种基于多模态的跨境追踪方法

Publications (1)

Publication Number Publication Date
CN113837024A true CN113837024A (zh) 2021-12-24

Family

ID=78962049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111025677.7A Pending CN113837024A (zh) 2021-09-02 2021-09-02 一种基于多模态的跨境追踪方法

Country Status (1)

Country Link
CN (1) CN113837024A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009085233A2 (en) * 2007-12-21 2009-07-09 21Ct, Inc. System and method for visually tracking with occlusions
CN108875588A (zh) * 2018-05-25 2018-11-23 武汉大学 基于深度学习的跨摄像头行人检测跟踪方法
US20200089703A1 (en) * 2018-09-13 2020-03-19 Kabushiki Kaisha Toshiba Retrieval device, retrieval method, and computer program product
CN112016401A (zh) * 2020-08-04 2020-12-01 杰创智能科技股份有限公司 基于跨模态行人重识别方法及装置
CN112257619A (zh) * 2020-10-27 2021-01-22 北京澎思科技有限公司 一种目标重识别方法、装置、设备及存储介质
CN113034550A (zh) * 2021-05-28 2021-06-25 杭州宇泛智能科技有限公司 跨镜行人轨迹追踪的方法、***、电子装置和存储介质
CN113283362A (zh) * 2021-06-04 2021-08-20 中国矿业大学 一种跨模态的行人重识别方法
CN113313188A (zh) * 2021-06-10 2021-08-27 四川大学 一种跨模态融合目标跟踪方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009085233A2 (en) * 2007-12-21 2009-07-09 21Ct, Inc. System and method for visually tracking with occlusions
CN108875588A (zh) * 2018-05-25 2018-11-23 武汉大学 基于深度学习的跨摄像头行人检测跟踪方法
US20200089703A1 (en) * 2018-09-13 2020-03-19 Kabushiki Kaisha Toshiba Retrieval device, retrieval method, and computer program product
CN112016401A (zh) * 2020-08-04 2020-12-01 杰创智能科技股份有限公司 基于跨模态行人重识别方法及装置
CN112257619A (zh) * 2020-10-27 2021-01-22 北京澎思科技有限公司 一种目标重识别方法、装置、设备及存储介质
CN113034550A (zh) * 2021-05-28 2021-06-25 杭州宇泛智能科技有限公司 跨镜行人轨迹追踪的方法、***、电子装置和存储介质
CN113283362A (zh) * 2021-06-04 2021-08-20 中国矿业大学 一种跨模态的行人重识别方法
CN113313188A (zh) * 2021-06-10 2021-08-27 四川大学 一种跨模态融合目标跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PETER KOK-YIU WONG等: "Recognition of pedestrian trajectories and attributes with computer vision and deep learning techniques", 《ADVANCED ENGINEERING INFORMATICS》, vol. 49, 13 July 2021 (2021-07-13), pages 1 - 18, XP086729773, DOI: 10.1016/j.aei.2021.101356 *
范星: "智能视频监控中的行人重识别方法研究", 《中国博士学位论文全文数据库 (信息科技辑)》, no. 1, 15 January 2021 (2021-01-15), pages 136 - 266 *

Similar Documents

Publication Publication Date Title
Hamdoun et al. Person re-identification in multi-camera system by signature based on interest point descriptors collected on short video sequences
CN111539255B (zh) 基于多模态图像风格转换的跨模态行人重识别方法
Kawewong et al. Online and incremental appearance-based SLAM in highly dynamic environments
CN112434654B (zh) 一种基于对称卷积神经网络的跨模态行人重识别方法
CN111539351B (zh) 一种多任务级联的人脸选帧比对方法
CN112507853B (zh) 一种基于互注意力机制的跨模态行人重识别方法
CN105989369A (zh) 基于度量学习的行人再识别方法
CN111539257B (zh) 人员重识别方法、装置和存储介质
CN112668557A (zh) 一种行人再识别***中防御图像噪声攻击的方法
Vijayaraghavan et al. Vehicle classification and detection using deep learning
Narang et al. Robust face recognition method based on SIFT features using Levenberg-Marquardt Backpropagation neural networks
CN116912763A (zh) 一种融合步态人脸模态的多行人重识别方法
CN113837024A (zh) 一种基于多模态的跨境追踪方法
CN116311650A (zh) 基于智能门禁的视线跟踪与手势识别的人机交互方法
Hamdoun et al. Interest points harvesting in video sequences for efficient person identification
CN114627500A (zh) 一种基于卷积神经网络的跨模态行人重识别方法
Taha et al. Exploring behavior analysis in video surveillance applications
CN113920470A (zh) 一种基于自注意力机制的行人检索方法
Bhattacharjee et al. Graph clustering for weapon discharge event detection and tracking in infrared imagery using deep features
Gualdi et al. Covariance descriptors on moving regions for human detection in very complex outdoor scenes
Liu et al. Pedestrian movement monitoring based on face recognition and rfid recognition
CN114882525B (zh) 基于模态特定记忆网络的跨模态行人重识别方法
CN112699846B (zh) 一种具有身份一致性校验的特定人物与特定行为联合检索方法及装置
Yao et al. Research of Pedestrian Re-identification Method Based on Video Surveillance
Chen et al. Multi-view Human Head Detection in Static Images.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination